Post Image

Levenberg Marquardt Optimizasyonu


Matematik problemlerinde doğrusal ve doğrusal olmayan sistemlerle ilgili çözümler bulmak için optimizasyon teknikleri yaygın olarak kullanılmaktadır. Özellikle kontrol teorisi/sistem dinamiğinde modellenmemiş dinamikleri çözerken optimizasyon algoritmaları sağlamak faydalıdır.

Öte yandan, veri biliminde dinamik bir model tasarımının çözümü/oluşturulması için sinir ağı yapısı en önemli konulardan biri haline gelmiştir. Genel mikroişlemci hızı ile NN (Neural Networks – Yapay Sinir Ağları) verimliliği de artar.

Teorik olarak NN, geri yayılım algoritması (BP – BackProjection) olan eğitim kuralı ile girdi-çıktı ilişkisini kurar. Ancak, BP algoritması kararlılığının aksine yavaştır. Bu nedenle BP algoritması, Levenberg-Marquardt algoritması olarak adlandırılan Newton-Gauss yöntemleri ile yeniden tasarlanmıştır. LM algoritmasında, her katsayı, toplam maliyet değil, belirli bir hata değeri için güncellenir! Böylece daha hızlı bir öğrenme algoritması oluşturmanın bir yolunu sunar.

Bu nedenle, tarafımızdan , bu sorunları hem bilgisayar hem de mikroişlemci yapılarında düzeltmek için basit bir Levenberg-Marquardt algoritması sunulmaktadır!

Bu GitHub dosyasında, ileri beslemeli sinir ağı yapısına LM optimizasyon tekniği uygulanmaktadır.

Umarım işinize yarar 🙂

Bu kütüphanenin ana kullanımları:

  • doğrusal olmayan girdi-çıktı ilişkisine model kurma
  • belirli bir sistem dinamik modeli için tahmin
  • belirli bir küme için eğitim doğrusal çıktısı

Bu kodlar bazında ne tür projelerde kullanabilirsiniz?

  • Motor tasarımı (fizik motorları)
  • hat tahmini ve üretim
  • desen tanıma
  • Gerçek zamanlı motor uygulaması

Kütüphaneyi nasıl kullanabilirsiniz?

  • Ayrıntılı örnek, örnek klasörde verilmiştir!
  • Kendi veri kümenizi oluşturmak için createDataset kodunu da kullanabilirsiniz!

Comments are closed.